TinyML für Defense: Quantisierung, Edge-Deploy

Baue robuste Sensor-Modelle, quantisiere sie sauber und bringe sie auf MCU und Edge-SoCs unter harten Echtzeit- und Energiegrenzen. Zu den Schwerpunkten gehören Signal- und Sensordaten: Audio, Vibration, IMU, Radar-Features, On-device Inferenz: Latenz, Energie, Bandbreite, EMV-Randbedingungen, Threat Modeling: Angriffsflächen bei Edge-AI, Sampling, Windowing, Overlap, Labeling-Strategien, FFT, Mel-Features, Statistical Features, Spectrogramme und Datensplits, Leakage vermeiden, reproduzierbare Experimente.

Die Schulung richtet sich an Embedded-Entwicklerinnen und Embedded-Entwickler mit ML-Bezug, Data Scientists, die Edge-Deployment verantworten, Systemingenieurinnen und Systemingenieure für Sensorik und Signalverarbeitung und Security Engineers mit Fokus auf Edge-Angriffsflächen sowie alle, die TinyML-Modelle für taktische Sensoren quantisieren und auf Embedded Targets betreiben wollen.

Grundkenntnisse in Machine Learning und Modelltraining (z. B. Klassifikation). Basisverständnis für Embedded-Systeme und C/C++ oder vergleichbare Low-Level-Konzepte ist hilfreich.

Zu den Schwerpunkten gehören Signal- und Sensordaten: Audio, Vibration, IMU, Radar-Features, On-device Inferenz: Latenz, Energie, Bandbreite, EMV-Randbedingungen, Threat Modeling: Angriffsflächen bei Edge-AI, Sampling, Windowing, Overlap, Labeling-Strategien, FFT, Mel-Features, Statistical Features, Spectrogramme und Datensplits, Leakage vermeiden, reproduzierbare Experimente.

Die Schulung ist auf den Transfer der beschriebenen Inhalte in typische berufliche Aufgaben ausgerichtet.

Zu den angestrebten Ergebnissen gehören: Du bekommst in diesem Seminar einen praxisorientierten Weg von Rohsignal bis On-device Inferenz, mit einem klaren Schwerpunkt auf Quantisierung und verlässlichem Deployment; Zuerst klärst Du, welche Sensorarten und Signalformen in taktischen Szenarien typisch sind und welche Fehlerbilder in der Praxis auftreten: variierende Montage, Temperaturdrift,; Daraus leitest Du ab, wie Du Daten erfassen, labeln und versionieren solltest, damit spätere Quantisierung und Deployment nicht an fehlender Reproduzierbarkeit scheitern; Im nächsten Schritt entwickelst Du Feature- und Modellstrategien für TinyML; Du vergleichst kompakte 1D-CNNs, DS-CNN und zeitliche Convolution-Ansätze und bewertest sie nicht nur nach Accuracy,

Die Vertiefung orientiert sich an den im Seminar beschriebenen Themen und Lernzielen.